原文：
www.kdnuggets.com/2020/10/free-mit-intro-computational-thinking-data-science-python.html
评论
编程是数据科学的重要组成部分，计算机科学的基本概念也是如此。如果我们计划实施计算解决方案来解决数据科学问题，那么编程显然是绝对必要的。为了帮助那些希望建立或巩固这些技能的人，我们最近分享了 MIT 开放课程中的一个很好的免费课程。
在学习了编程基础后，转向计算思维是解决复杂现实世界问题，包括从数据科学角度出发的良好过渡步骤。今天，我们分享**计算思维与数据科学**，这是 MIT 开放课程提供的另一门顶级课程，任何对学习感兴趣的人都可以免费获得。
1. Google 网络安全证书 - 快速进入网络安全职业道路。
2. Google 数据分析专业证书 - 提升您的数据分析技能
3. Google IT 支持专业证书 - 支持您的组织进行 IT 支持
课程网站自我描述为：
6.0001 计算机科学与 Python 编程入门的续集，旨在为几乎没有编程经验的学生提供帮助。课程旨在使学生理解计算在解决问题中的作用，并帮助学生，无论他们的专业是什么，都能对自己编写小程序以实现有用目标的能力充满信心。该课程使用 Python 3.5 编程语言。
2016 年秋季的这门课程由 Eric Grimson、John Guttag 和 Ana Bell 教授。该课程仅使用 Python 作为实现编程语言。
讲座主题如下，取自教学大纲：
-
介绍和优化问题
-
优化问题
-
图论模型
-
随机思维
-
随机游走
-
蒙特卡洛模拟
-
置信区间
-
抽样与标准误差
-
理解实验数据
-
理解实验数据（续）
-
机器学习介绍
-
聚类
-
分类
-
分类与统计学的罪与罚
-
统计学的罪与罚及总结
我特别喜欢这门课程似乎分成了几个不同的部分。第一部分（直到第六讲）集中在计算概念上；下一部分（第七到第十讲）则具有统计性质；其余讲座组成了最后一部分关于机器学习的内容，尽管它从未远离统计学，并在最后适当地回到统计学上。
这种结构使学生能够在不混淆的情况下学习这些不同的概念。计算思维与机器学习无关；它有助于将问题分解成更小的问题，并思考解决这些更小问题的最有效方法。这是一项在生活或工作中的任何方面都值得培养的技能。然而——尽管它与机器学习没有内在联系——它确实为从业者提供了必要的洞察，以理解机器学习算法的内部工作原理、使用这些算法解决问题的方案，以及如何迭代和改进这些解决方案，使其更高效、准确和有用。
统计学总是与数据科学问题或其解决方案密切相关。对抽样误差、置信区间的讨论，以及对理解实验数据和统计学习结果潜在误用的关注，在入门数据科学课程中通常得不到应有的重视，这使得《计算思维与数据科学导论》与许多其他课程有所区别。
该课程的开放课程版本包括 讲义和所需文件、问题集、阅读材料（不幸的是，课程教材 并不免费），以及——特别值得注意的—— 讲座视频。从这个意义上说，免费提供的课程可以真正被视为完整的。
这些材料还构成了 同名 edX 课程 的基础。如果你对更有结构的学习环境或在课程完成时获得认证证书感兴趣，你可以在那里注册并选择此选项。
与麻省理工学院的 计算机科学与 Python 编程入门课程 配对，这些免费课程为学习编程、计算机科学、Python、计算、统计学和机器学习的基础提供了强有力的开端——这些都是成功的数据科学职业的关键要素。
相关内容：
-
麻省理工学院提供的免费计算机科学与 Python 编程入门课程
-
超越肤浅：具有实质性的 数据科学 MOOC 课程
-
亚马逊提供的免费机器学习入门课程